买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉哈尔滨工业大学申请的专利一种金属表面缺陷语义分割网络及相应策略获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115953357B 。

龙图腾网通过国家知识产权局官网在2026-02-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211553713.1，技术领域涉及：G06T7/00；该发明授权一种金属表面缺陷语义分割网络及相应策略是由王伟波;张钊;谭久彬;田笑妍设计研发完成，并于2022-12-06向国家知识产权局提交的专利申请。

本一种金属表面缺陷语义分割网络及相应策略在说明书摘要公布了：本发明公开了一种金属表面缺陷语义分割网络及相应策略，以解决金属表面缺陷语义分割中存在的数量与分布严重不均衡、低对比度、边界信息较弱等技术难题，属于计算机视觉领域。本发明包括多尺度注意力特征融合模块、归一化均方频率类别权重策略、偏置权重训练采样策略、以及类别与边界损失计算策略。以上方法依次通过双注意力融合不同尺度的特征信息、调整类别权重系数因子、增大对缺陷样本的关注度、融合边界损失来解决上述技术难题。实践证明，本方法可以提高对金属表面缺陷的细节捕捉能力，满足工业对于金属表面缺陷检测的迫切需求。

本发明授权一种金属表面缺陷语义分割网络及相应策略在权利要求书中公布了：1.一种金属表面缺陷语义分割网络的相应策略，其特征在于，包括： 输入图像是金属表面图像；利用多个空间注意力提取多尺度特征信息，将输入特征送入通道注意力模块，通道注意力融合相邻尺度信息的特征，将高层次语义信息输入低层次纹理特征图中，并将信息再通过空间注意力模块，再一次融合特征信息； 利用多监督方式，依次聚合通过模块后的特征信息与HRNet特征提取器的原始输出信息，分别进行网络训练，防止梯度消失，并将其拼接，进行最后的类别判断； 归一化均方频率类别权重策略，用于规避自然数据集中权重系数因子的计算方法，通过调整缺陷像素类别训练过程中的权重因子，压制因其权重系数过大，网络训练过程陷入局部最优，而造成的假阳性分类现象；结合像素类别占比与分布占比，利用二次根式计算对应权重系数，并结合所有类别，一起进行各类别权重因子的确定； 偏置权重训练采样策略，用于规避自然数据集中随机采样方法，结合缺陷样本与正常样本的比例参数，通过增加缺陷样本训练过程中出现的比例，加大网络对于缺陷样本的关注度，从而降低缺陷样本较少造成的不确定性；不同于随机采样训练，本方法首先对训练数据集中所有数据进行分析研究，再在类别内部随机采样进行训练； 类别与边界损失计算策略，不同于只计算类别损失的传统损失计算方法，对标签图像提取边界轮廓，并对缺陷边界部分施加较大的关注权重，迫使网络训练中，加大对边界信息的注意力；采用Sobel算子对边界区域进行轮廓提取，再利用高斯滤波器对其进行空间滤波，将该部分引入损失函数中；类别与边界并行的损失计算策略中，训练过程中，首先对标签图像利用Sobel算子进行边界轮廓提取，得到图像的边界轮廓信息，然后用高斯滤波器边界轮廓图像进行滤波，从而在边界轮廓区域具有较高的权重信息，边界权重系数如下所示： 其中为在像素x处的边界权重值，为一常数，该常数的存在保证即使不处于标签位置处的信息也有一定的关注度，实验中取0.05；描述像素点x到边界上的距离，为高斯滤波器的标准差，实验中取5.0； 损失计算中采用交叉熵计算损失，整体损失函数表示为： 其中，x为网络预测的特征图信息，y为标签信息，C为类别数量，w为类别权重信息，为图像中所有像素组成的集合，为比例因子，实验中设为1.0； 不同于传统方法中采用类别损失进行计算，本方法采用类别损失与边界损失并行的方式，迫使网络加深对边界信息的学习注意。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人哈尔滨工业大学，其通讯地址为：150001 黑龙江省哈尔滨市南岗区西大直街92号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。